Một phương thức mới được phát triển nhằm tìm cách sử dụng “trí tuệ” của AI để tìm hiểu các quy luật vật lý bên trong những cấu trúc nano quang tử học.

Các nhà nghiên cứu tại Viện Công nghệ Georgia mới đây đã sử dụng công nghệ AI để tìm ra những góc nhìn mới về cơ chế cấu trúc nano quang tử học – với những ứng dụng trong điều chỉnh ánh sáng như: xử lý tín hiệu, truyền thông, và máy tính. Nghiên cứu này mới đây đã được đăng tải trên tạp chí Advanced Intelligent Systems.

Ảnh từ kính hiểu vi điện tử quét (SEM) của một metasurface giả, bao gồm một lưới chữ nhật với nhiều nanopillar Hafni dioxit (HfO2).

Khi ánh sáng truyền qua các cấu trúc nano này, ảnh hưởng tổng hợp lên các nguyên tố nano sẽ dẫn tới những thay đổi lớn lên các đặc tính quang phổ, không gian, và nhiệt độ của ánh sáng. Đồng thời, thông qua việc lựa chọn hợp lý các đặc điểm hình học của các nguyên tố nano này, ta cũng có thể đạt được rất nhiều chức năng cấp hệ thống khác nhau (như lọc, thấu kính, chuyển đổi tần số…)

Trong khi đa số các kỹ thuật AI trong quang tử học đều tập trung vào thiết kế và tối ưu hóa các cấu trúc nano (ví dụ như tìm các đặc điểm hình học của meta-atom), thì phương thức mới này lại ứng dụng “trí tuệ” của AI để hiểu cơ chế các cấu trúc nano này, bao gồm việc đánh giá độ khả thi của một phản hồi từ một cấu trúc nano cho trước.

Cách tiếp cận này được thực hiện thông qua 2 bước: ở bước 1, mối quan hệ giữa đầu ra và đầu vào của cấu trúc nano được đơn giản hóa tối đa thông qua kỹ thuật giảm chiều không gian. Việc này được thực hiện bằng thuật toán “autoencoder”, qua đó các thông tin trong phản hồi cấu trúc nano sẽ được tinh lọc từ 100-200 biến thành chỉ từ 2-3 biến, giúp hỗ trợ quá trình hình thành ảnh.

Ở bước tiếp theo, các phản hồi từ những bộ cấu trúc nano lớn, với những đặc điểm hình học ngẫu nhiên, sẽ được sử dụng trong không gian đã giảm chiều (còn được gọi là latent space), để từ đó tìm một  vùng lồi (hay bao lồi) trong một latent space có bao hàm tất cả mọi phản hồi khả thi từ cấp cấu trúc nano cho trước, với tỉ lệ sai thấp. Như vậy, việc cấp cấu trúc nano sẽ cho phản hồi như mong muốn là khả thi nếu phản hồi này liên hệ với một điểm nằm trong bao lồi của latent space.

Ngoài ra, để tạo ra nhiều mức độ tin cậy khác nhau cho độ khả thi của 1 phản hồi cụ thể, ta có thể sử dụng một thuật toán phức tạp hơn, đó là máy véc-tơ hỗ trợ (SVM). Nói về điều này, Yashar Kiarashinejad, một nghiên cứu sinh tại Viện Công nghệ Georgia, cũng là một nhà nghiên cứu của công trình, đã phát biểu: “Việc sử dụng bao lồi hoặc máy véc-tơ hỗ trợ SVM để đánh giá độ khả thi của một phản hồi cho trước từ một lớp cấu trúc nano cụ thể, trước khi bắt đầu quá trình thiết kế máy tính, sẽ giúp tiết kiệm rất nhiều thời gian, cũng như giảm khả năng thiết kế không tối ưu.”

Điểm chính của kỹ thuật này thuộc về việc huấn luyện các phần khác nhau của thuật toán. Điều này được thực hiện thông qua mô phỏng 1000 cấu trúc nano được thiết kế ngẫu nhiên bằng một phần mềm thương mại thông thường. “Thông qua cách thức lặp này, chúng tôi đã có thể tối ưu hóa quá trình huấn luyện, trong khi vẫn đảm bảo độ chính xác theo thời gian,” Mohammadreza Zandehshahvar, nghiên cứu sinh kiêm tác giả nghiên cứu chia sẻ.

Sau khi được huấn luyện, thuật toán sẽ được kiểm thử bằng các phản hồi khả thi nhưng chưa từng được thấy trước đó, nhằm đảm bảo đạt đúng độ chính xác mong muốn, trước khi áp dụng vào đánh giá độ khả thi của bất cứ phản hồi nào.

Để mở rộng tính năng của phương thức này, đội ngũ nghiên cứu đã tìm hiểu về bao lồi và SVM trên nhiều cấu trúc với độ phức tạp khác nhau, nhằm chứng minh độ khả thi của kỹ thuật này trong việc đơn giản hóa cấu trúc nano mà vẫn đạt được cùng phản hồi. Một thành viên khác của nghiên cứu, Sajjad Abdollahramezani, đã chia sẻ: “Chúng tôi thường tận dụng khả năng làm giả tốt nhất để chọn ra một cấu trúc của phản hồi cho trước. Kết quả là những mô hình rất phức tạp. Vì vậy, cách thức này là để đơn giản hóa lại mô hình.”

Omid Hemmatyar cũng khẳng định rằng nghiên cứu còn nêu ra những góc nhìn mới về độ khả thi của một phản hồi từ một cấu trúc nano cho trước. “Nghiên cứu có thể được dùng như một hướng dẫn trong việc thay đổi cấu trúc, nhằm đạt được một phản hồi mà trước đó là bất khả thi, hoặc tạo ra một thiết kế ổn định hơn trước các biến đổi nhân tạo và do môi trường,” anh nói.

Ngoài ra, kỹ thuật cũng có thể được phát triển hơn, nhằm biết được nhiều thông tin hơn về cơ chế vật lý trong tương tác của ánh sáng với các cấu trúc nano quang tử học, đồng thời tạo ra nhiều cấp cấu trúc nano hơn, qua đó phát triển lên nhiều tính năng hơn.

Thứ mà ta đang thấy mới chỉ là phần nổi của tảng băng. Việc sử dụng thông tin trong latent space có thể giúp ta học được các đặc điểm chính trong cấu trúc nano, cụ thể là trong việc hình thành các cấp phản hồi khác nhau, cũng như trong phát triển một cấu trúc nano khởi điểm thành một cấu trúc hữu dụng hơn, thích hợp với nhiều nhu cầu ứng dụng,” Ali Adibi, giáo sư Trường Kỹ sư Điện học và Máy tính tại Georgia Tech chia sẻ.

Theo Advanced Science News

Tin liên quan: